第 23 届 ChinaJoy 刚结束，我把 965 个展台做成了 3D 云展馆

2026 年 8 月 3 日，第二十三届 ChinaJoy 在上海新国际博览中心落幕。主题是「与AI同游」：900 多家企业、超 14 万平方米、39 个国家和地区的展商、超过 500 家游戏公司带来逾 1000 款产品。新增的 Vision Future 前沿科技展区里，人形机器人和 AI 大模型成了新主角。

我没去现场，但做了一件事：把官方名录里的 965 个展台 ，按官方展馆布局一比一搬进一个 3D 场景。17 个馆体（含 4 个空馆）、965 个可点击的展台，一个不少。点开任意一个，能看到品类、亮点、热度，以及一行小字：模型对这条信息有多确定。

它不是一张只能看的全景图。你可以搜展商、查官方日程、说一句话生成一条逛展路线、看统计图表------全程数据可溯源，每个数字都来自官方公开数据。

我把它做成了一条会展情报的数据管道：官方数据全量收集 → AI 结构化提取 → 3D 渲染 → 智能逛展。今年装的是 ChinaJoy，明年换一份数据，它还是它。

这篇文章讲讲它是怎么一步步做出来的。

一、为什么做这个

展会信息是互联网上最散的一种数据。官方名录、媒体报道、社媒攻略、厂商通稿------同一个展商，五个来源五种说法。想逛个展，先做考古：翻十几篇攻略，对着展馆图找 N4 在哪，再查展台在哪个区。

作为独立开发者，我平时做外贸、跑展会、盯展商名录是常事。每次最头疼的就是信息整理------资料散在 Excel、官网、微信群、会刊 PDF 里，真要查一个展商的展位和介绍，得开五六个窗口。

所以我做了件反过来的事：不整理攻略，整理数据本身。 攻略三天就过期，数据不会。

ChinaJoy 官网本身就有公开的展商名录接口：展位号、所在馆、官方介绍、官网、LOGO，全是官方自己公开的内容，和会刊上印的一致。我把全部 965 家完整收集------不是媒体报道的二手转述，是官方一手数据。

数据有了，但 965 条原始记录没法直接逛。这时候轮到 Seed Evolving 上场------8 月 3 日它刚完成第二次升级，三大能力里有一条叫「幻觉控制」。我很好奇一件事：

让它批量分析 965 个展台，它会不会编？

二、它能做什么

先看成果，再说怎么做的。

搜展商，一秒飞到

顶栏输入展商名或展位号，镜头直接飞过去。搜「腾讯」跳到 N4-03，搜「N1-CJE76」这种展位号也行。不用翻会刊，不用对图例。

点展台，看情报卡

每个展台点开是一张情报卡：品类、2-3 条核心亮点、目标人群、热度，以及最关键的置信度。AI 提取的亮点和官方原文并排展示，对得上才信。置信度低于 0.4 的展台，卡片上会顶一个琥珀色的「待验证」。

说一句话，生成逛展路线

这是我最喜欢的功能。输入「我想看 3D 游戏」，它直接排好一条 5 站路线：

css 复制代码

① 索尼（N1）→ ② B站（N2）→ ③ 网易（N3）→ ④ 网之易（N3）→ ⑤ 腾讯（N4）

路线遵守官方动线：普通票从 1 号门进，先逛 E 馆，穿过中央通道到 N 馆（西南→东北）；VIP 票从 4 号门直接进 N 馆。站与站之间画出一条 3D 光带，点「开始巡航」，一个小人沿光带走，镜头跟着走。

更打动我的是它的诚实。输入「我想看科幻小说」这种没有直接匹配的，它不会硬编一个结果，而是明确说：

「未找到直接匹配，推荐内容平台区内容展台（置信度 0.4）」

不硬编，不硬推，给一个带置信度的替代方案。

官方日程，按天排好

131 场子日程、185 位嘉宾，按日期分三组（7-30 / 7-31 / 8-01），每组按时间排序，每场显示时间、类型、话题、嘉宾。有 Team NINJA 制作人这种国际嘉宾，也有 AI 短剧论坛这种行业话题。

展会洞察，四张图看穿

四个图表全部来自真实数据，纯 SVG 自绘：品类分布环形图、AI 相关展台占比、N/E/W 三区品类差异、置信度分布直方图。不用逛完，光看图表就能对「这届展会是什么构成」有个整体判断。

BTOB 游戏专场

官方还有一份 BTOB 专场数据：17 款知名游戏（燕云十六声、幻兽帕鲁、赛博朋克 2077、天外世界 2、洛克王国......）按 RPG / 策略 / 动作冒险 / Indie 分类，加上 78 张官方专场 Logo 组成的品牌墙。BTOB 区不只是商务洽谈，也是新游集中亮相的地方。

三、数据：965 不是吹的

字段很全：中文名、展位号、所在馆、品类 ID、官方介绍、官网、logo。但展位号格式五花八门：

css 复制代码

N1-CJE76    （N 馆 1 号，CJE 系列）
E5-414      （E 馆 5 号，简写）
W4-B-IG001  （W 馆 4 号，B 区独立游戏）
N1-CJE37-39,46-48  （一个展商占多个展位）

这些格式差异，直接决定了后面坐标算法的复杂度。

数据收集完做了两层校验：

第一层：完整性。 ID 级对应零缺失------原始数据 965 条，进入场景的展台 965 个，一个不多一个不少。

第二层：真实性。 抽取知名展商交叉验证：腾讯在 N4-03、高通在 N5-01、PlayStation 在 N1-G001、网易在 N3......全部和官方信息对得上。官网抽查 HTTP 200，嘉宾日程可查证。

审计还发现一些细节：25 家海外展商没有中文名（Doro Mobile、Sensor Tower、Razer Gold 这些），是因为官方数据在英文区、中文名本来就是空的，不是抓取错误；14 组展商同名，是因为一家公司租了多个展位。这些都保留了下来，没有为了好看而「修正」。

四、AI 提取：965 条介绍 → 结构化情报

965 条原始记录没法直接逛，需要一步：把每家的官方介绍，变成结构化情报。

这一步交给 Seed Evolving 分批完成。每家提取四样东西：

字段	说明	规则
品类	映射到 8 个大类	游戏 / AI科技 / 硬件 / 内容平台 / 营销服务 / 独立游戏 / 影视动漫 / 其他
亮点	2-3 条核心卖点	严格基于官方介绍，缺失则留空，绝不虚构
目标人群	谁适合来看这家	基于介绍信息量估算
置信度	模型对以上判断有多确定	介绍越详细越高，空介绍给 0.2-0.4

关键在最后一项------置信度。这不是噱头，是幻觉控制的直接体现。原始数据有 16 个细分品类，UI 展示时归并成 8 个大类（比如「游戏硬件」并入「硬件」、「文创潮玩」并入「影视动漫」），归并后 965 家分布如下：营销服务 354、独立游戏 170、硬件 131、游戏 78、AI 科技 70、影视动漫 69、内容平台 17、其他 76。

965 个展台的置信度分布：

置信度	数量	占比
0.8 以上	694 个	72%
0.6--0.79	236 个	24%
0.4--0.59	25 个	3%
低于 0.4（待验证）	10 个	1%

注意这个分布的形状------没有出现「全部 0.8+」的完美分布。694 个高把握，是因为这些展商官方介绍写得详细（腾讯、高通这种大厂动辄几百字）；25 个低把握、10 个待验证，是因为它们的介绍确实只有一两句话。模型如实反映了信息量，没有为了显得聪明而假装什么都懂。

五、它承认自己不确定

这是我最想讲的部分。

10 个待验证展台里，有一个特别典型：抖音直播。

它的中英文简介都是空的，没有任何信息。Seed Evolving 给它的置信度是 0.25。按规则，置信度低于 0.4 的展台，界面上显示琥珀色的「待验证」。

这里有个细节值得说：抖音直播是知名产品，如果模型「懂事」一点，完全可以给个 0.8------反正也没人较真。但它没有。它诚实地给了 0.25，因为官方简介确实信息不足。

这才是幻觉控制的真正意义：不是所有回答都正确，而是每个回答都标了「我有多确定」。

一个模型不会因为承认不确定而显得弱。恰恰相反，在 965 条信息面前，知道哪些是确定的、哪些不是------这本身就是一种能力。而且这种能力可以验证：每个「待验证」背后，都对应一份信息量不足的官方介绍，点开情报卡就能核对原文。

六、把 965 个展台放进 3D 空间

布局：以官方图为唯一依据

15 个有展台的馆体加上 E1/E2/W1/W2 四个空馆，共 17 个馆体。N 馆 5 个在北侧横排（N1 西→N5 东），E 馆 7 个在东南斜向（E1 左下→E7 右上），W 馆 3 个在西侧（BTOB）。中央通道分隔 N 馆与 E 馆，1 号门在南侧（普通票）、4 号门在北侧（VIP→N1）。

图片来源：ChinaJoy 官方

这里有个小插曲。我最初想让 Seed Evolving 直接照着官方布局总览图生成 3D 场景，效果很差------官方图上元素太密：展馆编号、通道标注、入口标识、广告位......模型抓不住重点，生成的布局是乱的。

那就先把布局图简化再喂给它。第一版只保留展馆相对位置、形状、N/E/W 分区，效果好了不少，但间距和排列方向还不够干净；第二版去掉所有文字，只留纯几何块------N 区一排、E 区斜排、W 区一列，这次终于对了。

这件事给我的启发是：和模型协作，不是把最全的信息丢给它，而是帮它先想清楚「什么重要」。简化到什么程度，比模型本身更能决定结果好坏。

坐标算法：四版迭代

965 个展台放进 3D 空间，核心是「展位号 → 三维坐标」的转换。这一步我踩了大坑，一踩就是四版。

第一版：哈希散列。 把展位号直接哈希成坐标。跑完一看，965 个展台 671 个叠在一起，光柱跟叠罗汉一样，没法看。卒。
第二版：按展区分组。 按展位号前缀（N/E/W + 馆号）分组，组内再排网格。碰撞从 671 降到 130，但展区之间衔接还是乱。
第三版：发现单馆容量问题。 W4 馆有 249 个展台，固定网格根本装不下，展台会互相穿模。这才意识到网格尺寸必须跟着展台数走。
第四版：动态盒体。 按展区代码分组、组内编号排网格、子序号微偏移、展馆尺寸随展台数动态适配。965 个全部可解析，碰撞只剩 22 个（2.3%）。

有意思的是，第四版不是我想出来的，是 Seed Evolving 在处理第三版数据时自己发现「固定网格会撞」这个问题，主动提出动态适配方案，我确认后它重构了算法。这个迭代就是 Coding 工程能力的真实战场------不是写新代码，是在已有代码上发现问题、定位根因、修正方案。而这一次，提出方案的是模型自己。

性能：965 展台不卡

3D 渲染里有个概念叫 draw call------浏览器每帧给显卡下的指令。965 个展台单独画就是每帧 965 条指令，显卡忙不过来，帧率就崩。

解决方案是 instancedMesh：把 965 个展台合并成一次指令，同一个几何体换不同的位置、颜色、高度，一次告诉显卡「画 965 个，位置都在这」。整帧 draw call 从 965 降到 30 以内。鸟瞰时再用 LOD 优化，镜头拉远就自动降级成单点渲染，贴脸看一个展台或拉远看整个场馆都流畅。

七、模型是怎么跑起来的

这套流程我是直接买火山方舟 Agent Plan订阅来测的。

做这种多轮迭代项目，调用次数非常多：965 个展台分批提取，每批来回调；坐标算法改四版，每版都跑；还有各种试错。按量付费心里没底，订阅制一个固定成本，用多用少都这个价。

这个订阅一份覆盖国内主流模型：豆包 Seed 系列（包括本文主角 doubao-seed-evolving，1024k 上下文），加上 GLM、MiniMax、DeepSeek、Kimi。我实际是「混合用工」：Seed Evolving 做主力，负责写场景、改算法、重构组件这类复杂编码；DeepSeek 跑得快，做格式检查、文案润色这类小任务。一个订阅、一个入口，模型切换就是改个名字，需要省事就开 Auto 模式让系统按任务自动调度。

八、技术规格

项	数值
展商数据	965 家（官方公开数据，两层校验）
展馆	17 个馆体（N1--N5 / E1--E7 / W1--W5，其中 E1、E2、W1、W2 为空馆）
官方日程	131 场子日程 / 185 位嘉宾
AI 相关展台	280 个（29%）
置信度分布	694 高把握 / 236 中 / 25 低 / 10 待验证
展台渲染	instancedMesh 合并（965 展台 draw calls < 30）
坐标算法	4 版迭代，碰撞 671 → 22（2.3%），965/965 可解析

每个数字都在项目里找得到对应------不是宣传口径，是构建时从真实数据统计出来的。

九、做过的取舍

做完之后回头看，有几个决策比功能列表更值得说------它们决定了这个项目「可信」还是「好看但不经查」。

诚实优于完整。 官方 BTOB 数据里有 95 条记录，但只有 17 条有完整企业名，其余 78 条只有 Logo。产品选择展示 17 家命名游戏 + 78 张 Logo 品牌墙，而不是用 AI「猜出 95 个名字」。缺数据就展示缺，比假名单更有说服力。
官方简介不进主数据包。 965 段文字塞进 scenes.json 会撑爆体积。改成独立 JSON 文件，点开情报卡时才懒加载。
馆内分位 > 全场热度。 光柱高度用馆内百分位，而不是全场统一热度值。否则大馆天然比小馆高，鸟瞰信息密度假高。
待验证必须可见。 置信度低于 0.4 的展台标琥珀色警告，不靠文案淡化。这是幻觉控制的底线，不是可以商量的 UI 细节。
交互保对比。 选中一个展台时，鼠标仍可悬停查看旁边的展台。适合「这家和那家比什么」的真实逛法，不用先关掉当前详情。